WOO X Research : La prochaine narration en formation ? Web3 + MCP relaient-ils les agents IA ?
TechFlow SélectionTechFlow Sélection
WOO X Research : La prochaine narration en formation ? Web3 + MCP relaient-ils les agents IA ?
La combinaison de MCP et de la blockchain possède du potentiel, mais fait face simultanément aux défis doubles des seuils technologiques et des pressions du marché.
Dédié à des analyses Web3 approfondiesL'impact de l'IA réside dans la libération de la main-d'œuvre humaine et l'amélioration du niveau minimum des capacités professionnelles. Toutefois, les modèles linguistiques actuels (LLM) restent fortement limités : ils nécessitent des échanges répétés pour formuler des suggestions, et l'utilisateur doit exécuter manuellement chaque tâche selon ces recommandations. Il existe donc encore un écart important entre cette réalité et la vision d'une IA capable de réaliser effectivement du travail à notre place.
Mais imaginez pouvoir dialoguer avec une IA qui utilise directement votre ordinateur pour répondre aux e-mails, rédiger des rapports, voire automatiser des opérations de trading sur les cryptomonnaies. Ne serions-nous pas alors plus proches de la véritable libération de la productivité ? Cette technologie s'appelle MCP, un terme très en vogue aujourd'hui dans le domaine de l'IA.
Qu'est-ce que le MCP ?
Le MCP (Model Context Protocol) est un « protocole standardisé » publié en novembre 2024 par Anthropic, conçu pour résoudre le problème selon lequel les modèles d'IA ne pouvaient auparavant que « parler », sans jamais « agir ».
Décortiquons le nom MCP
-
Model : modèle, désigne les grands modèles linguistiques (LLM) comme GPT, Claude ou Gemini.
-
Context : contexte, représente les données supplémentaires ou outils externes fournis au modèle.
-
Protocol : protocole, une norme ou interface universelle et standardisée.
Ensemble, cela signifie : grâce à une norme unifiée, permettre à l'IA non seulement de « parler », mais aussi d’interagir directement avec des outils externes afin d’exécuter diverses tâches.
Les LLM couramment utilisés, tels que ChatGPT ou Grok, se contentent d’un fonctionnement entrée-sortie textuelle. Si nous souhaitons que l’IA exécute concrètement certaines actions — comme lire un fichier dans un dossier, envoyer un e-mail ou interroger une base de données — il faut généralement lui donner une instruction, puis l’utilisateur réalise manuellement l’action demandée, rapporte le résultat à l’IA, qui donne ensuite une nouvelle suggestion, et ainsi de suite, dans un cycle répétitif.
Avec le MCP, l’IA peut désormais non seulement accéder à des fichiers locaux ou se connecter à une base de données distante, mais aussi interagir directement avec des services web spécifiques. Autrement dit, l’IA ne se limite plus à produire du texte, elle peut désormais accomplir de nombreuses tâches répétitives ou procédurales à votre place.
Fonctionnement simplifié du MCP
-
MCP Host (hôte) : gère et coordonne l'ensemble du système MCP. Par exemple, Claude Desktop est un type d’hôte capable d’aider l’IA à accéder aux données ou outils locaux de votre appareil.
-
MCP Client (client) : reçoit les demandes de l’utilisateur et communique avec le LLM (modèle d’IA). Des exemples courants incluent des interfaces de chat ou des environnements de développement intégrés (IDE) compatibles MCP, tels que Goose, Cursor ou Claude Chatbot.
-
MCP Server (serveur) : un ensemble d’API préparées et annotées, offrant à l’IA des fonctions exploitables, telles que la lecture de bases de données, l’envoi d’e-mails, la gestion de fichiers ou l’appel à des services externes.
Grâce au MCP, l’IA peut non seulement comprendre le langage humain, mais aussi traduire directement certains mots en instructions d’action, permettant ainsi une automatisation réelle. Par exemple, organiser un rapport commercial, envoyer un e-mail à un client, ou même lancer une modélisation 3D dans Blender via une simple commande.
Référence : https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s
Pourquoi le MCP est-il important ?
Un pont entre l'IA et les outils externes
La limite principale des LLM vient du fait que leurs données proviennent d’un entraînement préalable et ne sont pas mises à jour en temps réel. Autrement dit, les informations connues par un LLM sont uniquement celles qu’il a vues pendant son entraînement ; toute donnée postérieure à cette période lui est inconnue.
Par exemple, si un LLM a été entraîné en février, toutes les données ultérieures à ce mois-là lui sont totalement inaccessibles.
Actuellement, la méthode dominante est RAG (Retrieval-Augmented Generation), qui combine un « système de recherche » avec un « modèle génératif ». Cette architecture permet, avant que le LLM ne génère sa réponse, de récupérer les informations les plus récentes, puis d’utiliser ces résultats comme contexte complémentaire. Plus précisément :
-
Recherche de données (Retrieval) : avant que le LLM ne réponde, un outil de recherche (comme une requête web ou une consultation de base de données interne) localise les informations actualisées pertinentes.
-
Génération (Generation) : les données récupérées sont transmises au LLM comme contexte auxiliaire, lui permettant de produire une réponse plus précise et à jour.
Par exemple, une IA peut d’abord effectuer une recherche via Bing ou Google pour obtenir des informations récentes, puis intégrer ces résultats dans sa réponse — c’est exactement ce que permet le RAG.
La principale différence entre MCP et RAG réside dans les points suivants :
-
RAG utilise des données relativement statiques pour enrichir les réponses du LLM, tandis que MCP permet à l’IA de véritablement « passer à l’action » : consulter des bases de données, appeler des API, ou même modifier le contenu de fichiers.
-
Standardisation et universalité : à l’instar du USB-C, le MCP permet à différents fournisseurs de développer des fonctionnalités conformes à ses spécifications. Comme tous les appareils peuvent utiliser le même câble USB-C, tout système compatible MCP peut être intégré facilement. Sans MCP, chaque développeur devrait créer un format personnalisé pour permettre à l’IA d’appeler une API spécifique, entraînant une redondance importante des efforts. Le MCP évite ce gaspillage en imposant une norme unique.
-
Passage d’une réponse passive à une action active : les outils d’IA traditionnels se contentent de répondre à des questions, sans agir concrètement. Avec MCP, l’IA peut décider dynamiquement quelles instructions exécuter, analyser les retours et ajuster ses actions en conséquence. Cette capacité d’adaptation continue améliore considérablement l’utilité pratique de l’IA.
-
Sécurité et contrôle : le MCP n’oblige pas à transférer toutes les données vers le modèle IA. Grâce à des mécanismes de gestion des permissions et des clés API, l’accès aux données peut être contrôlé, garantissant ainsi la confidentialité des informations sensibles.
Quelles différences entre MCP et AI Agent ?
C’est quoi un AI Agent ?
À partir du troisième trimestre dernier, GOAT a lancé la tendance des AI Agents. La plupart des utilisateurs de cryptomonnaies ont découvert les AI Agents à travers la perspective Web3. Un AI Agent désigne généralement un système d’IA capable de traiter automatiquement des tâches spécifiques. Il ne dialogue pas seulement avec les humains, mais prend aussi des initiatives en fonction du contexte, appelant des outils ou des API pour exécuter une série d’étapes. Par exemple, un agent capable de publier seul des messages sur Twitter relève du concept d’AI Agent.
Limites des AI Agents :
-
Manque de standardisation : chacun peut concevoir son propre Agent, mais en l’absence de normes unifiées, on observe des situations où « cet Agent ne fonctionne qu’avec les modèles du fournisseur A » ou « cet autre Agent ne peut appeler que les API du système B ».
-
Fragments isolés : bien que les AI Agents puissent effectuer des tâches, les développeurs doivent souvent définir eux-mêmes des formats et règles d’API complexes. En raison du manque d’écosystème partagé entre agents, leur intégration mutuelle devient difficile.
Relation entre MCP et AI Agent : MCP est un protocole, tandis qu’AI Agent est un concept ou une méthode d’exécution.
-
AI Agent met l’accent sur la capacité de l’IA à agir de manière autonome et à utiliser des outils.
-
MCP se concentre sur la façon dont les différents modèles d’IA peuvent communiquer avec des outils externes, jouant ainsi un rôle de standard universel.
Comment MCP améliore-t-il le fonctionnement des AI Agents ?
-
Sans MCP, chaque AI Agent devrait implémenter un ensemble spécifique de règles d’API pour chaque outil ou plateforme, rendant le développement et la maintenance particulièrement complexes.
-
Avec MCP, un AI Agent suit simplement les spécifications du protocole, sélectionne dynamiquement les outils disponibles dans la « liste des serveurs » et décide comment accomplir une tâche, ce qui rend l’accès aux ressources externes plus sécurisé et pratique.
Différence de portée fonctionnelle :
-
AI Agent : centré sur la prise de décision et la logique, détermine quoi faire et quelles étapes exécuter selon les besoins.
-
MCP : spécialisé dans l’intégration d’outils et les formats normalisés, visant à fournir aux IA des services externes, bases de données et systèmes de fichiers selon une interface uniforme.
Combinaison des deux : AI Agent + MCP = une IA qui sait non seulement quoi faire, mais aussi où aller pour le faire.
Quels projets liés au MCP existent actuellement dans l’écosystème crypto ?
Base MCP
Un framework développé officiellement par Base, lancé le 14 mars, permettant aux applications d’IA d’interagir avec la blockchain Base. Les utilisateurs peuvent, simplement via un dialogue en langage naturel et sans compétences techniques, déployer des contrats intelligents ou emprunter via Morpho.
-
BORK est le premier jeton déployé avec Base MCP, émis le 14 mars. Sa capitalisation boursière a atteint un pic de 4,6 millions de dollars, mais est désormais tombée à 110 000 dollars, avec un volume de transaction sur 24 heures de seulement 90 000 dollars. On peut donc considérer que ce projet a déjà vécu.
-
Flock est une plateforme décentralisée d’entraînement d’IA. Selon Flock, les MCP actuels fonctionnent encore sur des modèles d’IA centralisés. Flock propose un modèle d’agent Web3 permettant d’exécuter localement des tâches blockchain pilotées par l’IA, offrant ainsi un meilleur contrôle aux utilisateurs.
Lyra
LYRAOS, également appelé LYRA MCP-OS, est un système d’exploitation multi-AI Agents permettant aux agents d’interagir directement avec la blockchain Solana pour effectuer des opérations telles que l’achat ou la vente de cryptomonnaies.
Actuellement, l’équipe explore la création de milliers de « AI16ZDAOs » — des organisations autonomes décentralisées pilotées par l’IA — destinées à l’investissement en cryptomonnaies. Une démo de LYRAIOS sera publiée entre le 21 et le 22 mars 2025, et le produit final sortira la semaine suivante.
Capitalisation actuelle : 923 000 $, pic historique : 2,64 M$, volume sur 24h : 3 M$, nombre d’adresses détentrices : 2 922.
Conclusion : la narration IA repart-elle, ou faut-il rester prudent ?
Bien que MCP offre une norme standardisée facilitant une interaction plus fluide et sécurisée entre l’IA et les outils externes, et semble prometteur dans le domaine Web3, les cas de succès restent rares. Plusieurs raisons peuvent expliquer cela :
-
Intégration technologique encore immature : dans l’écosystème Web3, chaque chaîne et chaque DApp possède une logique contractuelle et une structure de données différentes. Tenter de regrouper tous ces éléments sous forme de serveurs MCP exploitables par l’IA nécessite encore d’importants investissements en développement.
-
Risques de sécurité et de régulation : permettre à une IA de manipuler directement des contrats ou des transactions financières exige des mécanismes rigoureux de gestion des clés privées et de contrôle des permissions, ce qui reste complexe et coûteux.
-
Habitudes et expérience utilisateur : la majorité des utilisateurs hésitent encore à confier leur portefeuille ou leurs décisions d’investissement à une IA. Ajouté à la complexité intrinsèque des blockchains, si l’expérience utilisateur est trop compliquée ou si les cas d’usage ne sont pas clairs, les nouveaux venus auront du mal à adopter durablement ces technologies.
-
Usure et indifférence du marché : la vague des AI Agents a suscité un grand engouement dans le secteur crypto, avec de nombreux projets non aboutis valorisés à plus de 100 millions au plus fort de l'euphorie. Aujourd’hui, nous traversons une phase de correction : la plupart de ces projets ont perdu plus de 90 % de leur valeur, marquant une désillusion croissante face à la surconsommation de la narration IA.
En somme, on peut voir le MCP comme une version ultra-puissante de l’AI Agent. Le marché ayant déjà vécu un boom de l’IA crypto, les investisseurs et utilisateurs savent désormais mieux distinguer les spéculations conceptuelles des véritables applications pratiques. En l’absence de solutions innovantes et utiles, ils ne seront pas prêts à suivre. Des projets comme BORK, premiers représentants du MCP, n’ayant ni différenciation notable ni mise en œuvre concrète, n’ont pas réussi à générer d’enthousiasme. C’est selon moi la principale raison pour laquelle le concept MCP n’a pas encore pris son envol.
La combinaison de MCP et de la blockchain recèle un potentiel, mais elle fait face à la fois à des défis techniques et à une pression forte du marché. À l’avenir, si des mécanismes de sécurité plus robustes peuvent être intégrés, une expérience utilisateur plus intuitive créée, et surtout si des applications innovantes apportant une vraie valeur sont développées, alors « Web3 + MCP » pourrait enfin sortir du stade de simple « sujet de spéculation » pour devenir une grande tendance structurante.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@WOOXResearch
